Главная страница
Навигация по странице:

  • 1.2. Теоретические сведения 1.2.1. Выбор формы идентификации и регрессионный анализ

  • 1.2.2. Статистический анализ модели

  • 1.3. Пример построения модели идентификации

  • Лабораторная работа № 2

  • работа. Лабораторная работа 1 (1). Построение моделей идентификации


    Скачать 0.82 Mb.
    НазваниеПостроение моделей идентификации
    Анкорработа
    Дата19.04.2023
    Размер0.82 Mb.
    Формат файлаdoc
    Имя файлаЛабораторная работа 1 (1).doc
    ТипЛабораторная работа
    #1073878
    страница1 из 4
      1   2   3   4

    Лабораторная работа 1

    Тема: «Построение моделей идентификации»
    1.1. Задание:

    1. Методами регрессионного анализа построить модель идентификации второго порядка .

    2. Провести статистический анализ модели.

    3. Проверить целесообразность включения в модель члена третьего порядка, т.е. перехода к модели .

    Для получения выборки «экспериментальных» данных необходимо осуществить математический эксперимент с уравнением

    , (1.1)

    в котором величина x измеряется точно, а с ошибкой , имеющей нормальное распределение с нулевым математическим ожиданием и единичной дисперсией Коэффициенты уравнения (1.1) и значение d выбираются в соответствии с вариантом задания из табл.1.1.

    Математический эксперимент проводится по следующей схеме:

    • с помощью датчика равномерно распределенных на отрезке [0, 1] случайных чисел определяется случайное число

    • величина x определяется нормированием случайного числа на интервал [0, d]

    • c помощью датчика нормально распределенных [0, 1] случайных чисел определяется случайное число , представляющее собой «ошибку» эксперимента

    • «экспериментальная» величина определяется по (1.1) как сумма регулярной и случайной составляющих.

    Результатом математического эксперимента является выборка 10 случайных пар .

    Таблица 1.1

    Исходные данные для проведения

    математического эксперимента


    Вариант







    d

    1

    1

    3

    -0,2

    12

    2

    0,1

    4

    -0,3

    12

    3

    4

    8

    -0,8

    8

    4

    0,6

    11

    -0,8

    10

    5

    2

    5

    -0,6

    11

    6

    0,5

    2

    -0,2

    9

    7

    0,1

    9

    0,9

    7

    8

    0,8

    12

    -1

    10

    9

    5

    19

    -2

    8

    10

    0,4

    2

    0,1

    12

    11

    3

    6

    -0,7

    8

    12

    0,5

    9

    -0,7

    9

    13

    0,1

    5

    -0,4

    9

    14

    4

    18

    -2

    7

    15

    0,7

    9

    -0,7

    9

    16

    8

    20

    -2

    8

    17

    0,2

    10

    -1

    8

    18

    0,9

    9

    0,9

    8

    19

    15

    16

    -1,5

    8

    20

    0,4

    12

    -1

    9



    1.2. Теоретические сведения

    1.2.1. Выбор формы идентификации и регрессионный анализ

    Математически задача идентификации формулируется следующим образом. Имеется n пар экспериментальных точек . Требуется построить зависимость (модель)

    , (1.2)

    которая описывает характеристики изучаемой системы. Уравнение (1.2) называется уравнением регрессии.

    Построение модели идентификации начинается с выбора формы модели, т.е. вида зависимости (1.2). При этом на практике могут встретится два случая.

    • Форма математической модели известна заранее. В этом случае задача идентификации сводится к определению коэффициентов этой модели.

    • Форма математической модели заранее неизвестна. В этом случае целесообразно использовать для построения модели общее разложение функции в ряд Тейлора.

    В данной лабораторной работе при идентификации ставится задача нахождение приближенной модели в виде полинома степени p

    .

    Согласно методу наименьших квадратов, искомый вектор находится из решения нормального уравнения

    ,

    где



    Таким образом, для определения коэффициентов уравнения регрессии необходимо произвести следующие операции:

    • составить матрицу независимых переменных Вандермонда и матрицу-столбец результатов , здесь m число коэффициентов регрессии(m=p+1).

    • найти транспонированную матрицу переменных и произвести перемножение матриц ;

    • найти обратную матрицу и умножить ее на матрицу , т.е. получить искомую матрицу-столбец .


    1.2.2. Статистический анализ модели

    После вычисления коэффициентов регрессии необходимо провести статистический анализ полученной модели. Для этого необходимо вычислить следующие характеристики регрессионной зависимости:

    • величину остаточной суммы квадратов отклонений фактических значений от ее теоретических значений и число степеней свободы модели

    ;



    • средние квадраты остаточных сумм



    • критерий Фишера



    здесь - дисперсия, характеризующая ошибку эксперимента.

    F – отношение характеризуется двумя последовательно записанными значениями степеней свободы числителя и знаменателя. При этом, так как точность статистических оценок возрастает с ростом числа степеней свободы, то число степеней свободы точной величины принимается равным .

    Полученную величину F – отношения сравнивают с критическим (пороговым) значение критерия Фишера при соответствующих числах степеней свободы и заданном уровне значимости . При - модель принимается. Если расхождение результатов моделирования и экспериментальных данных значимо и, следовательно, модель должна быть отвергнута как недостаточно точная.

    • оценку связи коэффициентов регрессии между собой .

    Эта оценка проводится по ковариационной матрице

    .

    Диагональные элементы матрицы определяют дисперсии коэффициентов регрессии, а недиагональные – взаимосвязь этих коэффициентов.

    Коэффициент корреляции может изменяться в пределах .
    Для сравнения моделей необходимо:

    • рассчитать дополнительную сумму квадратов

    ,

    где - остаточная сумма квадратов первой и второй модели соответственно;

    • определить число степеней свободы дополнительной суммы квадратов

    ;

    • посчитать средний квадрат дополнительной суммы

    ;

    • определить роль дополнительной информации с помощью критерия Фишера

    .

    Если полученное значение критерия Фишера значимо , то дополнительная информация, заложенная в модель 2 существенна, и модель 2 действительно отличается от модели 1. В противном случае уточнения, вносимые моделью 2, неразличимы на фоне шума; с точки зрения модели равноценны и предпочтение должно быть отдано более простой модели 1.
    1.3. Пример построения модели идентификации
    Для получения выборки «экспериментальных» данных осуществим математический эксперимент с уравнением

    (1.3)

    по следующей схеме:

    • с помощью датчика равномерно распределенных на отрезке [0, 1] случайных чисел определяется случайное число

    • величина x определяется нормированием случайного числа на интервал [0, 6]

    • c помощью датчика нормально распределенных [0, 1] случайных чисел определяется случайное число , представляющее собой «ошибку» эксперимента

    • «наблюдаемая» величина определяется по (1.3) как сумма регулярной и случайной составляющих.

    Результаты математического эксперимента (выборка 10 случайных пар ), представлены в виде точек на рис.1.1 (ряд 3).

    Построим модель идентификации . Согласно методу наименьших квадратов, искомый вектор коэффициентов находится из решения нормального уравнения

    . (1.4)

    Найдем составляющие уравнения (1.4)












    Таким образом, получена зависимость



    на рис.1.1- ряд 2. Из рисунка видно, что полученная модель качественно правильно воспроизводит исходное описание.

    Статистические характеристики модели имеют следующие значения:

    • остаточная сумма квадратов

    ;

    • число степеней свободы остаточной суммы квадратов



    • средние квадраты остаточных сумм

    ;

    • критерий Фишера



    По таблицам распределения критерия Фишера , при 5%-м уровне значимости находим критическое значение . Так как полученное значение F меньше критического, гипотеза об адекватности модели реальному процессу принимается.

    Определим связи коэффициентов регрессии между собой

    ;



    Таким образом, коэффициенты регрессии достаточно сильно связаны между собой.
    Поскольку форма модели заранее неизвестна, целесообразно рассмотреть возможность использования кубической модели

    .

    В результате расчетов найдены коэффициенты такой модели

    (1.5)

    на рис.1.1 – ряд 1.


    Для проверки целесообразности включения в модель члена третьей степени вычисляется остаточная сумма квадратов для уравнения (1.5), дополнительная сумма квадратов, средний квадрат и величина Фишера:



    По таблицам распределения (прил. 1) определяем критическое значение Фишера В связи с тем, что полученное из расчета значение критерия Фишера меньше критического, можно считать, что член третьего порядка не добавляет существенной информации и, следовательно, нецелесообразен.


    Лабораторная работа № 2

      1   2   3   4


    написать администратору сайта